AI 정확도가 70%에 막힌 이유, 그래프 기술로 근본부터 해결하다 — 인포시즈 다큐멘터리

메타데이터

• 자연스러운 한국어 제목: AI 정확도가 70%에 막힌 이유, 그래프 기술로 근본부터 해결하다 — 인포시즈 다큐멘터리
• 원문 제목: AI Stuck at 70% Accuracy? Solving It from the Roots with Graph Technology | InfoSeas Documentary
• URL: https://www.youtube.com/watch?v=0EQO8VU3a1Y
• 날짜: 2026-09-01
• 채널: eo_korea
• 영상 길이: 약 24분 9초
• 주요 기업: 인포시즈(INFOCZ)

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==기업이 생성형 AI의 환각과 약 70% 정확도라는 벽을 넘으려면, 파편화된 데이터를 그래프와 온톨로지로 연결해 AI가 의미·관계·경로를 정확히 이해하도록 만들어야 한다.==

• 기업 데이터는 여러 시스템과 문서에 흩어져 있어 가장 기본적인 검색부터 제대로 작동하지 않는다.
• 2024~2025년에 널리 적용된 벡터 검색·벡터 RAG만으로는 데이터 사이의 관계와 업무 맥락을 충분히 복원하기 어렵다.
• 인포시즈는 보안에서 출발해 반도체 보안 이상 탐지, 제조·플랜트·석유화학·에너지 도면 인식, 생산 최적화, 공공·금융 프로젝트로 그래프 기술을 확장했다.
• 그래프와 온톨로지는 기업 에이전트가 올바른 정보를 사용하고 로봇이 현장에서 실제 업무를 수행하게 만드는 연결 계층이다.

인포시즈 구성원들은 정답률을 높이는 일이 단순히 더 큰 언어 모델을 붙이는 문제가 아니라고 본다. 기업 현업의 문제를 명확하게 정의하고, 정형·비정형 데이터의 개념과 관계를 추출한 뒤, AI의 자유도를 필요한 만큼 제한하는 데이터·온톨로지·도메인 언어를 함께 설계해야 한다. 이 접근은 알려진 공격 규칙이 없는 보안 위협, 연결관계를 잃은 엔지니어링 도면, 수천 개로 늘어날 기업 에이전트처럼 기존 범용 도구로는 해결하기 어려운 문제를 겨냥한다.

1. 생성형 AI가 70% 정확도에 머무는 근본 원인

기업용 AI의 실패 원인은 모델 자체보다 기업 데이터가 의미 있는 관계망으로 정리되지 않은 데 있다.

1.1. 기업 현장의 검색과 생성형 AI 문제

1. 생성형 AI 도입과 기본 검색의 한계

   1. 많은 기업이 생성형 AI를 도입했지만 여러 문제를 겪고 있으며, 가장 기본적인 검색 기능조차 기대만큼 작동하지 않는 경우가 많다.
   2. 기업 데이터가 서로 다른 시스템과 문서에 흩어져 있고 파편화되어 있어, 필요한 정보를 한 번에 활용하기 어렵다.

2. 벡터 기술이 해결하지 못한 환각

   1. 생성형 AI 도입 초기에는 벡터라는 기술적 방법으로 관련 정보를 찾아 모델에 넣는 접근이 확산됐다.
   2. 벡터 검색·벡터 RAG는 2024~2025년 사이 크게 유행했고 기업에 적용됐지만, 환각 문제가 사라지지 않아 정확도는 약 70% 수준에 머물렀다.
   3. 단어·문장의 유사도만으로는 서로 다른 문서에 나뉜 개념, 대상, 순서, 연결관계와 업무 규칙을 완전히 복원하기 어렵다.

1.2. 그래프 기술을 통한 근본적 해결

1. 데이터를 모으고 연결하는 접근

   1. 환각을 근본적으로 줄이려면 흩어진 데이터를 모으고 서로 연결한 뒤 관계를 분석해야 한다.
   2. 그래프는 사람·문서·설비·사건·개념을 노드와 관계로 묶어, 한 정보가 다른 정보와 어떻게 이어지는지 표현한다.

2. 《아바타》의 연결 비유

   1. 영화 《아바타》에서 나비족이 힘을 최대한 끌어내기 위해 서로 연결하고, 자신들을 둘러싼 모든 것과 연결되는 장면이 그래프의 직관적 비유로 제시된다.
   2. AI 시대에는 주변의 데이터와 사물이 네트워크 형태로 연결될수록 각 요소가 단독으로 있을 때보다 더 큰 힘을 발휘한다.

2. 인포시즈의 출발과 기술 주권을 지킨 선택

인포시즈는 보안에서 쌓은 대규모 데이터 처리 경험을 그래프 기술과 기업 문제 해결로 확장했다.

2.1. 보안 전문 기업에서 그래프 기업으로

1. 산업별 프로젝트 확장

   1. 인포시즈는 제조·플랜트, 반도체, 금융, 공공 등 다양한 산업의 프로젝트를 수행한다.
   2. 반도체 보안 문제의 그래프 기반 초정밀 탐지, 반도체 생산계획 최적화, 국가 최고 기관 정보의 구조화, 석유화학·에너지 분야 도면 인식 등을 진행한다.

2. 보안 데이터에서 그래프 통찰로

   1. 보안은 IT 분야에서도 난도가 높은 영역이며 동시에 방대한 빅데이터를 다룬다.
   2. 보안 데이터를 다루며, 자신도 인식하지 못한 주변의 여러 정보가 연결되면 새로운 인사이트를 발견할 수 있다는 문제의식을 갖게 됐다.
   3. 그동안 막연히 생각하던 ‘정보를 연결해 숨은 의미를 찾는 방법’이 그래프 이론과 그래프 기술로 구체화되면서 회사의 기술 방향이 됐다.

2.2. 벡터 RAG 이후의 대안으로 떠오른 그래프

1. 시장 관심의 전환

   1. 2025년을 지나면서 그래프 기술은 벡터 RAG 이후의 대안이 될 수 있는 기술로 전 세계적인 관심을 받기 시작했다.
   2. 여러 기업이 인포시즈에 연락해 그래프 기술을 찾기 시작했고, 인포시즈가 일찍부터 준비한 기술의 필요성이 커졌다.
   3. 해당 연도에 국내 최대급 대형 투자사로부터 투자도 유치했다.

2. 대기업 프로젝트를 포기한 이유

   1. 인포시즈는 대기업의 대규모 프로젝트를 수주하기 위해 상당한 노력과 투자를 먼저 집행했다.
   2. 수주가 끝나고 계약할 시점에 프로젝트 비용을 받는 대신 회사 기술 자체의 주권을 잃을 수 있다는 문제가 드러났다.
   3. 대표는 열흘 넘게 깊이 고민한 끝에 계약하지 않기로 결정했다. 프로젝트를 포기하면 당장의 재정적 타격이 컸지만, 고유 기술력을 지키는 편이 장기적으로 중요하다고 판단했다.
   4. 가장 힘든 시기였지만, 자체 기술력을 보유하고 더 발전하는 계기가 됐으며 현재 인포시즈의 방향을 만든 사건으로 남았다.

3. 고객 문제에서 증명한 도면 인식과 플랫폼 자산화

실제 고객이 6개월 이상 풀지 못한 도면 문제를 그래프 데이터베이스와 도메인 지식으로 해결하며 기술의 사업성을 증명했다.

3.1. S4의 3,000장 도면 문제

1. 6개월간 해결하지 못한 과제

   1. S4가 보유한 문제는 약 3,000장의 엔지니어링 도면을 빠르게 인식하는 방법을 찾는 일이었다.
   2. S4는 이 문제를 해결할 방법을 6개월 이상 찾고 있었고, 인포시즈는 그래프 데이터베이스로 도면을 읽어보자고 제안했다.

2. 비전 기술 없이 시작한 실험

   1. 대표가 “가능하다”고 확실히 답한 뒤 회사로 돌아와 내부 인력에게 도면 인식이 가능한지 물었을 때, 구성원들은 “그렇게 다 한다고 하시면 어떡하느냐”는 반응을 보였다.
   2. 당시 인포시즈에는 비전 기술이 전혀 없었지만, 우선 해보자는 태도로 시작했다.
   3. 도메인과 그래프를 결합해 필요한 방식을 만들어 갔고, 안 될 가능성도 생각했지만 실제로 구현해보니 작동했다.
   4. 세계 최대급 기업들과 협력해온 고객도 그래프 기술을 활용한 도면 인식이 매우 새로운 방법이라고 평가했고, 이를 계기로 인포시즈를 선택했다.

3.2. 플랫폼 리드 윤은의 온톨로지 자산화

1. 플랫폼 리드의 역할

   1. 플랫폼 리드이자 FDE인 윤은은 여러 온톨로지 프로젝트에서 반복된 공통 요구를 일반화해, 어떤 프로젝트에서도 그 지점부터 시작할 수 있게 만드는 역할을 맡는다.
   2. 자막에 ‘AId’로 표기된 기능을 만들고, FDE들이 프로젝트에서 어떤 고민을 했는지 전사적으로 모으고 있다.
   3. 앞으로 더 깊은 기업 문제에 들어갈 때 앞선 프로젝트의 경험과 해결책을 자산화해 출발점으로 활용하려 한다.

2. 보험 약관 사례

   1. 보험 약관에서 단순히 한 문단을 찾는 것처럼 보여도, 실제 답변에는 문서의 여러 공간에 흩어진 함께 참조해야 할 문단이 필요했다.
   2. 약관의 개념과 연결관계를 그래프로 모델링해 필요한 정보를 모두 모아 답변하는 시스템을 만들었다.
   3. 그래프를 사용하자 벡터 RAG보다 더 많은 정보를 함께 답할 수 있었고, 관계를 모델링하는 접근이 실제 효과가 있음을 확인했다.

3. 공공기관 프로젝트와 문제 정의의 교훈

   1. 공공기관에서는 어떤 문서를 작성할지와 어떤 질문을 할지를 주면 그 요구에 대응하는 채팅 시스템을 만들어달라는 어려운 과제를 받았다.
   2. 당시에는 비정형 데이터를 다루는 여러 시도를 했지만 그래프 기술을 충분히 갖추지 못해 여러 방법을 병행해야 했다.
   3. 프로젝트를 끝낸 뒤 “문제를 반드시 정의하고, 그 문제를 풀 수 있는 방법을 찾는다”는 원칙이 팀의 규칙이 됐다.

4. 도면·비정형 문서·시뮬레이션을 잇는 설계 에이전트

   1. 현재 가장 어렵다고 보는 과제는 비정형 문서만 처리하는 것이 아니라, 강점인 도면과 비정형 문서를 함께 연결하는 일이다.
   2. 여기에 시뮬레이션까지 가능하게 하는 설계 에이전트를 만들고 있으며, 고객이 선제적으로 참여하는 프로젝트인 만큼 중요한 분기점으로 보고 있다.

4. 온톨로지 레이어와 정확도를 높이는 설계 원칙

기업용 AI의 핵심은 검색 결과를 곧바로 LLM에 던지는 데 있지 않고, 개념을 정리하고 추론 경로를 제한하는 중간 계층에 있다.

4.1. 기술 리드 긴창하의 문제 정의 방식

1. 진짜 문제를 찾는 사고법

   1. 긴창하는 기술 리드로서 기업의 문제를 이해하고 AI 도입을 돕는다.
   2. 인하우스에서 자체 SaaS를 적용해도 풀리지 않는 문제나, 팔란티어 같은 키워드를 떠올린 고객의 다양한 문제를 다룬다.
   3. 문제 하나만 정면으로 보는 대신 위·아래·양옆을 살펴 “진짜 문제는 무엇인가”를 찾으며 이동한다.
   4. 시행착오를 통해 문제가 명확히 정의되어 있어야 한다는 교훈을 얻었고, 동료 장창하는 한 번에 잠재 문제를 짚어내는 사람으로 소개된다.

2. 현업과 기술의 경계 넘기

   1. 기술팀은 고객이 말한 표면적 요구를 그대로 구현하기보다 업무 흐름, 데이터 생성 방식, 실패 비용까지 살펴 실제 해결할 문제를 다시 정의한다.
   2. 문제 해결에 집착하되 단일 기능의 성공보다 주변 관계를 함께 살피는 방식이 복잡한 기업 문제에 적합하다.

4.2. 정형·비정형 데이터와 온톨로지 레이어

1. 정형 데이터와 비정형 데이터의 차이

   1. 정형 데이터는 형태가 미리 정해져 있어 기계가 다루기 상대적으로 쉽다.
   2. 이메일·메시지·계약서처럼 정해진 표 구조 밖에 있는 자료는 비정형 데이터에 해당하며, 의미와 관계를 파악하기가 훨씬 어렵다.

2. 벡터 RAG의 일반적 처리 방식

   1. 비정형 데이터를 다룰 때는 질문과 관련 있는 내용을 찾아 모델의 입력에 넣는 방식이 널리 쓰인다.
   2. 이 방식은 관련 문장을 찾는 데는 유용하지만, 여러 문서에 나뉜 동일 개념과 그 개념이 가리키는 대상, 문서 사이의 관계를 명시적으로 정리하지는 않는다.

3. 온톨로지 레이어의 역할

   1. 인포시즈는 문서에서 어떤 개념과 대상이 다뤄지는지 추출하고, 같은 개념을 다루는 여러 문서를 한곳에 모은다.
   2. 그 중간 단계를 온톨로지 레이어라고 부르며, 복잡한 개념을 단순화·추상화하고 의미론적으로 정합하게 연결한다.
   3. 내비게이션이 길을 찾을 때 필요한 요소를 먼저 추출해 경로를 계산하듯, 온톨로지 레이어가 먼저 추론에 필요한 개념과 경로를 찾는다.
   4. LLM은 정리된 경로와 의미망을 바탕으로 답변하므로, 무관한 문장을 조합해 환각을 만들 가능성이 줄어든다.

4.3. 자유도를 줄이고 데이터 품질을 높이는 방법

1. 100% 정확도가 필요한 고객 프로젝트

   1. 절대 틀리면 안 되고 정확도 100%가 나와야 하는 프로젝트에서, AI에 자유도를 덜 줄수록 정확도가 높아진다는 가설을 세웠다.
   2. 자유도가 많으면 다양한 답을 만들 수 있지만 그만큼 실수할 가능성도 커진다.

2. DSL과 OQL이라는 중간 표현

   1. AI의 자유도를 제한하려면 도메인에 특화된 언어인 DSL(Domain-Specific Language)을 제공하는 방법이 유효하다.
   2. 빠르게 실험해 성능이 괜찮다는 것을 확인했고, 그 결과를 플랫폼에 반영했다.
   3. FDE 신지온의 사례에서는 LLM이 복잡한 SQL을 직접 만들게 하면 현업 사람도 결과를 이해하기 어려운 문제를 발견했다.
   4. 그래서 OQL로 불리는 중간 표현 계층을 만들어 현업과 LLM 모두 이해하기 쉽게 했고, 환각률을 거의 0에 가깝게 낮췄다.

3. 데이터 품질은 에이전트 성능의 핵심

   1. 에이전트 성능에 가장 큰 영향을 주는 요소는 데이터 품질이다.
   2. 데이터를 계속 정제하려면 현업 담당자와 엔지니어가 거의 한 몸처럼 일해 AI가 전달받기 좋은 형태로 업무 지식을 바꿔야 한다.
   3. FDE 한 명 한 명이 문제 발굴부터 구현·적용까지 넓은 범위의 일을 할 수 있다는 믿음이 팀의 강점으로 제시된다.

5. FDE가 현장 문제를 제품과 에이전트로 바꾸는 과정

FDE(Forward Deployed Engineer)는 고객 현장에 직접 들어가 문제를 발굴하고, 도메인 전문가가 된 뒤, 작동하는 시스템까지 연결한다.

5.1. 신지온의 현장 중심 업무

1. 문제 발굴부터 배포까지

   1. 신지온은 FDE로서 전방의 문제를 현장에 직접 들어가 해결한다.
   2. 프로젝트 시작 전 현업 담당자들과 워크숍을 진행하고, 해결할 업무 영역에 대해 일정 수준 이상의 전문가가 되어야 한다.
   3. 요구사항을 전달받는 데 그치지 않고 문제 발굴·데이터 이해·구현·고객 시연까지 직접 맡는다.

2. S4 제품 시뮬레이션 에이전트

   1. S4의 에이전트는 어떤 제품을 많이 만들고 어떤 제품을 적게 만들지 시뮬레이션한다.
   2. 제품 원가도 시뮬레이션해 생산 의사결정에 필요한 결과를 제공한다.
   3. 생산 전략의 변화가 기업 실적과 주가에 도움을 줄 수 있다는 점까지 연결되는 것이 현장 업무의 흥미로운 부분으로 언급된다.

5.2. 빠른 구축과 FDE 수요의 증가

1. 솔루션 기반 작업 속도

   1. 인포시즈의 솔루션을 기반으로 하면 몇 시간 만에 시스템 세팅을 끝내고 고객에게 바로 시연할 수 있다.
   2. 재사용 가능한 온톨로지·도메인 표현·플랫폼 자산이 현장별 개발 시간을 줄이는 기반이 된다.

2. 기업이 FDE를 필요로 하는 이유

   1. 기업 데이터는 산업적으로 민감하기 때문에 외부로 반출할 수 없고, 대기업 내부에서만 정제해야 하는 경우가 많다.
   2. 모든 문제를 내부 인하우스 인력만으로 해결하기도 어렵다.
   3. 데이터 보안과 도메인 이해를 동시에 만족시키며 현장에 들어가 해결하는 FDE 직무의 수요가 앞으로 더 커질 것으로 전망된다.

6. 규칙을 넘어서는 그래프 기반 보안과 도면 AI

그래프는 알려진 규칙을 벗어났는지만 보는 보안을 넘어, 시간에 걸친 행동의 연결 패턴과 도면의 구조를 함께 이해하게 한다.

6.1. 편명장의 연구 배경과 문제 선택

1. 연구에서 산업 문제로
   1. 편명장은 대학원 때부터 AI를 연구했고, 대기업 AI 연구원과 대형 커머스 플랫폼의 추천 시스템 머신러닝 엔지니어로 일했다.
   2. 검색·광고·추천처럼 국내 B2C 기업에서 비교적 역할과 베스트 프랙티스가 정형화된 업무만으로는, 대학원에서 품었던 “AI로 세상을 바꾸고 싶다”는 포부를 충분히 실현하기 어렵다고 느꼈다.
   3. 아무도 풀지 못한 문제에 도전한다는 인포시즈의 목표가 연구자로서 매력적으로 다가와 합류했다.

6.2. 사전 규칙 없이 찾는 반도체 보안 위협

1. 기존 보안 제품의 작동 방식

   1. 기존 보안 제품은 인터넷에 등록됐거나 기업이 보유한 해킹 공격 패턴을 기준으로 삼는다.
   2. “이런 행동은 하면 안 된다”는 규칙을 만들고, 규칙에서 어긋난 행동이 발견되면 차단하거나 경보를 보낸다.

2. 인포시즈 보안 제품의 차별점

   1. 인포시즈의 제품은 처음부터 모든 공격 규칙을 미리 상정하지 않는다.
   2. 관측된 사람·계정·시스템의 행동과 로그를 연결해 그래프로 보고, LLM이 해당 행동이 위협인지 아닌지를 판별하도록 제공한다.
   3. 알려진 패턴의 단순 탐지보다, 여러 사건이 시간 순서와 관계망 속에서 어떤 의미를 갖는지를 분석하는 방식이다.

3. 반도체 기업 실증 사례

   1. 이 제품은 시가총액 상위권 반도체 기업에 적용됐다.
   2. 데이터를 한순간에 대량으로 빼돌리는 공격은 비교적 쉽게 잡을 수 있다.
   3. 반면 30일 동안 잠복하며 데이터를 조금씩 외부로 내보내는 공격은 개별 로그만 보면 정상처럼 보인다.
   4. 여러 날에 걸친 로그를 그래프 형태로 인식해야만 이런 연결된 공격 패턴을 찾아낼 수 있다.
   5. 편명장은 국내에서 대규모 엔터프라이즈에 그래프 기반 이상 탐지를 적용해 실증한 사례가 자신들이 최초로 시도한 사례라고 설명했으며, 대형 기업에서 좋은 성과를 냈다고 말한다.

6.3. 엔지니어링 도면의 연결관계 복원

1. 수작업 8시간을 5분으로 단축

   1. 복잡한 도면의 연결관계를 복원하는 작업은 대부분 사람이 수작업으로 수행했고, 한 건에 최소 8시간 이상 걸렸다.
   2. 제품으로 도면을 자동 인식하면 5분 안쪽으로 처리되어 실제 작업 효율을 크게 높인다.
   3. 인포시즈는 복잡한 도면의 연결관계를 복원하는 기술을 상용 가능한 수준으로 끌어올린 거의 최초의 회사라고 소개된다.

2. 산학협력과 국제 인재

   1. 인포시즈는 서울대학교와 도면 인식 분야 공동 연구를 진행한다.
   2. 대만에서 온 Oliver가 도면 인식 팀에 합류했다. 그는 인포시즈가 실제로 푸는 문제가 매우 어렵고, 해결했을 때 산업에 미칠 임팩트도 클 것이라고 판단해 관심을 가졌다.
   3. Oliver는 대만에서 천문학 연구원으로 일하며 중요한 연구 성과를 내고 국제 학술지에 발표한 뒤, 서울대학교에서 데이터 과학 석사를 공부했다.

3. Dataflow 프로젝트

   1. Oliver가 맡은 AI 에이전트는 엔지니어링 도면의 구조를 매우 정밀하게 파악하는 기능을 목표로 한다.
   2. 도면 이미지를 ChatGPT에 넣는 것만으로는 구성요소 사이의 연결과 배관의 흐름 방향을 정확하게 이해시키기 어렵다.
   3. 하니스 엔지니어링(Harness Engineering)으로 추정되는 방법과 낮은 수준이지만 정밀한 기하·형상 인식 도구를 AI에 제공해 이 한계를 보완한다.
   4. 핵심 성과인 Dataflow 프로젝트는 도면의 각 구성요소 연결관계와 흐름 방향을 강한 구조화 데이터의 기준점으로 변환한다.
   5. AI는 이 기준점을 사용해 대략적으로 추측하는 대신 도면 구조를 정밀하게 이해하고 추론하며, 긴 환각의 연쇄를 줄인다.
   6. 대형 에너지 기업의 책임자에게 결과를 보여줬을 때, 도면 이해가 이미 그 정도의 정밀도에 도달했다는 사실에 크게 놀랐다고 한다. DXF 같은 엔지니어링 도면 데이터와의 연결도 언급된다.

7. 조직 문화와 ‘어려운 문제를 푸는 사람들’

인포시즈는 기술만큼이나 서로 다른 배경의 사람들이 신뢰를 바탕으로 끝까지 문제를 푸는 문화를 경쟁력으로 본다.

7.1. 위계보다 협업을 택한 문화

1. 외국인 구성원의 관찰

   1. Oliver는 외국인의 시각에서 한국을 위계가 깊은 사회로 이해하기 쉬웠지만, 인포시즈의 직장 문화는 그 예상과 달랐다고 말한다.
   2. 사무실에는 나이가 많거나 적은 구성원이 섞여 있고, 서로 다른 배경의 사람들이 한 팀으로 일한다.
   3. 이런 구성이 쉽지만은 않지만 대표가 유연하게 조율해 구성원들이 안정감을 느끼며 협업할 수 있다.

2. 대표의 태도

   1. 대표는 회사가 푸는 어려운 문제가 얼마나 재미있는지 어린아이처럼 진심으로 이야기한다.
   2. 회사가 재정적으로 어려워도 직원의 생각을 먼저 살피고 월급을 절대 밀리지 않게 하려 한다.
   3. 모르는 분야에 뛰어들거나 피벗하는 일을 두려워하지 않고, 구성원을 믿고 맡긴다.

7.2. 신뢰·창의·몰입과 책임감

1. 핵심 가치

   1. 회사의 핵심 가치로 신뢰, 창의, 몰입과 열정이 제시된다. 발화에서는 “세 가지”라고 소개한 뒤 네 가지 표현이 이어져, 핵심 키워드는 신뢰·창의·몰입·열정으로 정리된다.
   2. 재무적으로 어려운 상황에서도 고객에게 더 좋은 제품을 납품하겠다는 신뢰와 회사의 사업이 계속될 것이라는 내부 신뢰를 먼저 주는 일이 책임감의 기반이 된다.

2. 서로 다른 배경의 인재를 모으는 방식

   1. 인포시즈가 가장 어려운 문제를 풀기 위해 모은 인재들은 각자 색깔과 문제를 풀어내는 방식이 다르다.
   2. 서로 다른 전문성이 한 팀에 모이면 획일적인 베스트 프랙티스가 없는 문제에서 오히려 강한 조합이 된다.

8. B2C의 표준화된 AI를 넘어 기업의 물리 세계로

기업용 AI는 솔루션을 설치하는 일이 아니라, 정렬되지 않은 현실 데이터를 의미론적으로 정합한 세계 모델로 끌어올리는 일이다.

8.1. B2B 데이터 정합화의 난이도

1. B2C와 다른 문제의 성격

   1. 국내 B2C 기업의 머신러닝 업무는 검색·광고·추천 중 하나처럼 역할이 정해져 있고, 실리콘밸리의 베스트 프랙티스를 참고할 수 있다.
   2. 인포시즈가 다루는 문제는 전 세계 어디에도 레퍼런스가 없는 경우가 많고, 도면 인식처럼 사실상 선례가 없는 연구 난제도 있다.
   3. B2B를 단순히 고객사에 솔루션을 설치하는 일로 보면 안 된다.

2. 로우 데이터를 의미망으로 바꾸기

   1. 기업의 로우 데이터는 훨씬 더 정렬되지 않은 형태로 들어온다.
   2. 이를 개념과 관계가 맞는 의미론적 형태로 끌어올리는 일은 B2C에서 경험한 대규모 데이터 처리 문제보다 더 어려울 수 있다.
   3. 이 과정을 반복하며 축적한 대형 프로젝트 경험과 공동 자산이 인포시즈의 차별점이 된다.

8.2. 물리 설비의 디지털화와 AI 주권

1. 온톨로지 기반 시뮬레이션

   1. 산업 현장의 물리적 설비를 디지털화하고 온톨로지로 의미론적으로 연결하면, 개별 설비를 넘어 하나의 큰 시뮬레이션을 만들 수 있다.
   2. 도면, 문서, 설비, 생산계획, 원가 정보를 하나의 관계망으로 연결해야 현실의 변화가 AI의 추론과 시뮬레이션에 반영된다.

2. 선진 도구 활용과 기술 주권의 균형

   1. 팔란티어와 엔비디아 같은 선진 기술을 국내에 도입해 활용하더라도, 양보할 수 없는 고유 기술과 AI 인프라 주권을 확보해야 한다.
   2. 고객 데이터를 외부로 유출하는 대신, 데이터를 안전하게 연결하고 문제를 해결하는 방법론 자체를 수출하는 것이 중요한 기술 기회가 된다.

9. 에이전트·로봇 시대에 필요한 그래프와 온톨로지

기업 AI의 다음 단계는 소수의 챗봇을 만드는 것이 아니라 수백~수천 개 에이전트가 업무망과 물리 현장에서 협업하도록 만드는 것이다.

9.1. 수십 개에서 수천 개로 늘어나는 에이전트

1. 기업 에이전트의 폭발적 증가

   1. 2026년까지 기업의 에이전트 도입은 많아야 10~20개 정도였지만, 앞으로 수백 개에서 수천 개로 늘어날 것으로 전망된다.
   2. 장기적으로는 에이전트가 기업의 거의 모든 업무를 수행하는 시대가 올 수 있다.

2. 에이전트 관리의 새 문제

   1. 에이전트 수가 늘면 각 에이전트가 어떤 정보를 사용하고 다른 에이전트에 무엇을 전달하는지 관리하는 일이 중요해진다.
   2. 온톨로지 구축이 대기업만 감당할 수 있는 고비용 수작업이면 확산이 제한되므로, 구축 과정 자체를 상당 부분 자동화해야 한다.

9.2. 전시용 로봇에서 생산 현장용 로봇으로

1. 현장 투입이 짧은 이유

   1. 로봇은 전시회에서 시험되고 화려하게 소개되지만, 실제 생산 현장에 투입되는 시간은 10분도 채 되지 않는 경우가 있다.
   2. 현장에서 어떤 일을 해야 하는지에 대한 가이드와 정보가 로봇에 제대로 전달되지 않기 때문이다.

2. 그래프가 제공하는 실행 맥락

   1. 로봇이 작업 대상, 순서, 설비 상태, 안전 조건을 이해하려면 현장의 물리적 요소와 업무 지식이 연결된 구조가 필요하다.
   2. 에이전트와 로봇이 실제로 동작하는 시대에는 그래프와 온톨로지가 정보 전달과 실행 맥락을 맡는 가장 중요한 기술 중 하나가 된다.

10. 사람 중심의 AI와 앞으로의 방향

인포시즈는 AI의 가치를 사람을 밀어내는 데서 찾지 않고, 사람이 불필요한 일을 덜어내 더 깊이 생각하고 행복해지도록 돕는 데서 찾는다.

10.1. 생각하는 사람을 대체하지 않는 AI

1. AI가 대체해야 할 일과 남겨야 할 일

   1. AI는 사람의 일을 모두 대체할 수 없으며, 특히 생각하는 사람을 대체할 수 없다는 관점이 제시된다.
   2. 제품은 사람이 어떻게 더 깊이 고민할 수 있을지를 중심에 두고 설계해야 한다.
   3. 반복적이고 불필요한 일을 덜어내면 각 사람이 더 의미 있는 판단을 내리고 개인의 행복에도 기여할 수 있다.

2. 아직 30%에 와 있다는 자기평가

   1. 사람 중심의 AI가 불필요한 일을 덜어내는 미래를 향해 인포시즈는 아직 약 30% 정도 와 있다고 평가한다.
   2. 남은 과제는 기업 데이터와 현장 업무를 더 깊이 연결하고, 에이전트·로봇이 안전하고 정확하게 실행하게 만드는 것이다.

10.2. 정직함과 문제를 끝까지 푸는 사람

1. AI 개발자의 사회적 책임

   1. AI 개발은 당장 개인에게 이익이 되더라도 장기적으로 사회에 해를 끼칠 수 있는 직군이라는 경계가 필요하다.
   2. 각자가 그 순간 어떤 선택을 하는지, 얼마나 정직할 수 있는지가 실제 문제 해결의 품질과 사회적 결과를 좌우한다.
   3. 문제를 진짜로 해결하려면 “저기까지 가야 한다”고 말할 수 있는 사람, 즉 편한 타협보다 근본 원인을 선택하는 사람이 필요하다.

2. 남극 탐험의 비유

   1. 어려운 문제를 풀다 보면 힘든 시간이 많지만, 팀은 “그냥 해보지 뭐”라고 하며 모험을 떠난다.
   2. 남극에 가기 위해 장비를 챙겨 출발하는 것처럼, 문제를 회피하지 않고 필요한 준비를 한 뒤 끝까지 해결하는 태도를 지향한다.
   3. 문제를 해결하는 능력은 결국 사람에게서 나오므로, 인포시즈의 최대 강점은 사람이라고 말한다.

10.3. 어려움의 크기만큼 커지는 산업적 임팩트

1. 어렵다는 말의 의미

   1. 문제가 어렵다는 것은 아직 아무도 풀지 못했다는 뜻이며, 풀었을 때 산업에 미칠 임팩트가 매우 클 수 있다는 반증이다.
   2. 어려운 문제를 마주하면 두려워하기보다 해결 과정과 그 결과로 만들 임팩트를 상상하며 즐겁게 몰입할 수 있다.

2. 끝없이 도전하는 인재상

   1. 인포시즈가 원하는 인재는 끝없이 도전하는 사람이다.
   2. 세상에서 가장 어렵고, 풀 수 없을 것 같지만, 반드시 풀 만한 문제를 함께 풀고자 하는 사람들이 회사에 모였다.
   3. 같은 철학과 믿음을 가진 인재들이 서로 신뢰하면 기업의 AI 도입과 AI 제품의 품질을 높일 수 있다.
   4. 기업이 더 효율화될수록 사람과 사회에 더 크게 기여할 수 있다는 것이 회사가 바라보는 장기 방향이다.

주요 발언 모음

“전 세계 어디에도 레퍼런스가 없습니다. 이 세상에서 가장 어려운 문제, 풀어야 할 만한 문제를 피하지 않고 오히려 어려운 문제를 맞닥뜨렸을 때 희열을 많이 느낍니다.”

“문제를 반드시 정의하고 그 문제를 풀 수 있는 방법을 찾는다가 규칙이 됐습니다.”

“AI한테 자유도를 덜 줄수록 정확도가 높아지겠다는 생각이 들었습니다. 자유도가 많다는 건 그만큼 실수할 일이 많아진다는 거니까요.”

“AI는 사람의 일을 대체할 수 없어요. 어떤 사람의 일을 대체할 수 없냐면 생각하는 사람을 대체할 수 없어요.”

“어려운 문제를 풀다 보면 힘든 시간도 꽤 많이 있습니다. 남극에 갈 건데 장비를 챙겨서 출발한다는 느낌입니다.”

“어렵다는 것은 아무도 풀지 못했다는 것이고, 풀었을 때 산업에 미칠 임팩트가 어마어마하다는 것의 반증입니다.”

“인포시즈의 가장 중요한 인재상은 끝없이 도전하는 인재입니다.”

핵심 데이터 & 수치

• 약 70%: 벡터 기술을 기업에 적용해도 생성형 AI 정확도가 머무는 수준으로 제시된 수치다.
• 2024~2025년: 벡터 검색·벡터 RAG가 기업에 크게 유행하고 적용된 시기다.
• 열흘 이상: 기술 주권을 잃을 수 있는 대기업 프로젝트 계약을 포기하기 전 대표가 고민한 기간이다.
• 약 3,000장: S4가 빠른 인식 방법을 찾고 있던 엔지니어링 도면의 규모다.
• 6개월 이상: S4가 3,000장 도면을 빠르게 인식할 방법을 찾은 기간이다.
• 100%: 절대 틀리면 안 되는 고객 프로젝트에서 요구된 목표 정확도다.
• 거의 0%: OQL 중간 계층을 사용해 낮추고자 한 환각률이다.
• 30일: 그래프 기반 분석이 필요한, 데이터를 조금씩 외부로 보내며 잠복하는 공격 사례의 기간이다.
• 8시간 이상 → 5분 이내: 복잡한 도면 연결관계 복원 작업의 수작업 시간과 자동 인식 시간이다.
• 10~20개 → 수백~수천 개: 2026년까지의 기업 에이전트 도입 규모와 향후 예상 규모다.
• 10분 미만: 전시 중심 로봇이 실제 생산 현장에 투입되는 시간이 짧다는 사례다.
• 약 30%: 사람 중심 AI와 불필요한 업무 제거라는 목표를 향한 인포시즈의 자체 진행도 평가다.

결론 및 시사점

1. 기업 AI의 정확도 문제는 모델 크기만 키워서 해결하기 어렵고, 데이터가 놓인 구조와 관계를 먼저 정리해야 한다.
2. 벡터 RAG가 관련 문장을 찾는 역할을 한다면 그래프·온톨로지는 개념과 대상, 문서와 설비, 사건과 시간의 연결을 보존해 추론 경로를 제공한다.
3. 온톨로지 레이어, DSL, OQL처럼 AI의 자유도를 업무에 맞게 제한하는 중간 계층이 100%에 가까운 정확도와 거의 0에 가까운 환각률을 만드는 실무 도구가 된다.
4. 보안에서는 사전에 정의한 공격 규칙이 없어도 장기간 이어지는 행동의 관계망을 그래프로 분석해 이상 징후를 찾을 수 있다.
5. 도면 인식에서는 그래프가 구성요소와 배관 흐름을 복원해, 8시간 이상 걸리던 수작업을 5분 이내 자동 처리로 바꾼다.
6. 기업용 AI 구축은 솔루션 설치가 아니라 현업과 엔지니어가 함께 로우 데이터를 의미론적으로 정합화하는 작업이며, FDE가 그 현장 연결을 담당한다.
7. 수백~수천 개의 에이전트와 생산 현장의 로봇이 실제로 협업하려면 에이전트 사이에 정확한 정보와 실행 맥락을 전달하는 그래프·온톨로지가 필요하다.
8. 선진 AI 도구를 활용하더라도 데이터가 아닌 문제 해결 방법론과 고유 인프라를 수출할 수 있는 기술 주권을 확보해야 한다.
9. 사람 중심 AI의 목표는 생각하는 사람을 대체하는 것이 아니라 반복 업무를 덜어내 더 깊은 판단과 행복을 가능하게 하는 것이다.
10. 아무도 풀지 못한 문제일수록 해결했을 때의 산업적 임팩트가 크므로, 끝없이 도전하고 정직하게 근본 원인까지 파고드는 사람이 기업 AI의 진짜 경쟁력이 된다.

핵심 요약 (20줄)

1. 기업 생성형 AI의 기본 검색조차 자주 실패하는 이유는 데이터가 여러 시스템과 문서에 흩어져 있기 때문이다.

2. 벡터 검색과 벡터 RAG가 2024~2025년에 널리 적용됐지만 환각 문제와 약 70% 정확도의 벽은 남았다.

3. 그래프 기술은 흩어진 데이터의 개념과 대상을 관계망으로 연결해 AI가 맥락을 함께 이해하게 한다.

4. 《아바타》의 나비족이 주변의 모든 것과 연결해 힘을 얻는 장면은 그래프의 가치를 설명하는 비유가 된다.

5. 인포시즈는 보안에서 출발해 제조·플랜트·반도체·금융·공공·석유화학·에너지로 그래프 프로젝트를 확장했다.

6. 대기업 프로젝트를 포기한 결정은 당장의 비용보다 고유 기술의 주권을 지키는 일이 중요하다는 원칙을 보여줬다.

7. S4는 약 3,000장 도면을 빠르게 인식하는 방법을 6개월 넘게 찾았고 인포시즈는 그래프 데이터베이스 접근을 제안했다.

8. 비전 기술이 없던 상태에서 시작했지만 도메인 지식과 그래프를 결합해 실제 도면 인식 시스템을 만들었다.

9. 보험 약관 사례는 여러 위치에 흩어진 함께 참조해야 할 문단을 그래프로 연결해 더 풍부한 답변을 만들었다.

10. 온톨로지 레이어는 문서에서 개념과 대상을 추출하고 같은 개념의 자료를 모아 추론 경로를 정리한다.

11. 문제를 먼저 명확히 정의한 뒤 그 문제에 맞는 기술을 찾는 원칙이 공공기관 프로젝트의 핵심 교훈이 됐다.

12. 정확도 100%가 필요한 프로젝트에서는 AI의 자유도를 줄이고 DSL과 OQL 같은 도메인 중간 계층을 사용했다.

13. 현업과 엔지니어가 한 몸처럼 데이터 품질을 정제해야 에이전트가 업무에 맞는 답을 만들 수 있다.

14. FDE는 현장 워크숍부터 문제 발굴·도메인 이해·구현·시연까지 전 과정을 담당한다.

15. OQL은 복잡한 SQL을 현업과 LLM 모두 이해하기 쉬운 표현으로 바꿔 환각률을 거의 0에 가깝게 낮췄다.

16. 그래프 기반 보안은 30일 동안 조금씩 데이터를 빼내는 잠복 공격처럼 단일 로그로 보이지 않는 패턴을 찾는다.

17. 도면 연결관계 복원은 수작업 8시간 이상에서 자동 인식 5분 이내로 단축됐고 서울대학교와 공동 연구가 진행 중이다.

18. 기업 에이전트는 2026년의 10~20개 수준에서 앞으로 수백~수천 개로 늘어날 전망이며 온톨로지 구축 자동화가 필요하다.

19. 생산 현장의 로봇이 실제로 일하려면 전시용 시연을 넘어 업무 가이드와 설비 맥락을 그래프로 전달해야 한다.

20. 인포시즈는 사람의 생각을 대체하기보다 불필요한 일을 줄이고 끝없이 도전하는 인재로 산업의 어려운 문제를 풀겠다는 방향을 제시한다.